AI 资本开支的价值最终取决于能否转化为收入、生产率、利润率和 EPS
S&P 493 的盈利扩散是判断 AI 周期能否从主题行情变成盈利周期的重要观察点
真正的第二棒和第三棒来自 AI 基础设施之外的企业利润改善
高资本开支最大的风险是回报周期过长,而不是投入金额本身
过去几年,AI 资本开支最直观的受益者集中在 GPU、网络、数据中心和云基础设施。但如果把美股长期行情只理解成 AI 公司继续花更多钱,逻辑就停留在第一层。资本开支只有最终转化成企业收入、成本下降、生产率提升和利润扩张,才能真正进入股市盈利体系。市场越来越关注回报率,本质上就是从投资额有多大转向这些投资最终能产生多少现金流。
这条传导链可以拆成四个阶段:第一阶段是 AI 基础设施投资,第二阶段是供应链扩张,第三阶段是企业采用 AI,第四阶段才是广泛的盈利改善。前两个阶段最容易观察,因为订单、资本开支和硬件收入都比较直接;后两个阶段却更重要,因为它们决定 AI 是否能够从科技板块主题变成全市场生产率周期。
近期美国企业盈利仍然提供了较强支撑。2026 年 9 月 9 日 Barclays 上调 S&P 500 年末目标,并把 2026 年 EPS 预期由 337 美元上调至 365 美元;LSEG 数据显示,第二季度已经公布业绩的 S&P 500 公司中,86% 的公司 EPS 超过分析师预期。

AI 周期早期的盈利集中度较高是合理的,因为最先产生收入的是提供计算、云和基础设施的公司。但如果长期只有少数龙头贡献大部分利润增长,指数的估值和盈利预期就会越来越依赖少数公司的资本开支计划。交易者需要特别关注盈利增长是否开始向供应链之外扩散。
LSEG 在 2026 年中期展望中指出,盈利增长正在从 Mag 7 向 S&P 493 扩散,并预计 S&P 493 在 2026 年第四季度的盈利增速将高于 Mag 7。BlackRock 的 2026 年展望也给出了类似方向:Mag 7 的盈利增速可能从高位放缓,而其余 493 家公司的 EPS 增长有望加速至两位数水平。真正值得关注的不是龙头失去优势,而是盈利来源开始变多。
第二棒可能来自半导体设备、数据中心、电力和工业基础设施;第三棒则可能来自使用 AI 降低成本或提升收入的传统行业。当企业不再只是购买 AI,而是通过 AI 改善客服、研发、软件开发、供应链和营销,AI 才会真正进入损益表。届时市场的交易逻辑也会从卖铲子扩展到生产率提升。

传统行业轮动通常由利率、商品价格、库存周期和消费需求驱动,而 AI 引入了一个新的跨行业变量:数字化生产率。金融、医疗、工业、零售和专业服务公司虽然不一定生产 AI 基础设施,却可能成为 AI 应用最重要的利润承接者。只要 AI 能够降低单位劳动成本、提高销售转化或者缩短研发周期,企业就有理由持续增加 AI 预算。
这会产生一个重要现象:最早上涨的行业不一定是最后涨幅最大的行业。基础设施公司先获得订单,随后企业软件和数据服务受益,再往后才是使用 AI 提升利润率的行业。如果盈利扩散成立,市场领先板块就会逐渐从 AI 资本开支受益者转向 AI 生产率受益者。
因此,投资者不能只追踪 Nvidia、云厂商或者数据中心资本开支,而应该建立完整的 AI 盈利地图。一个简单的方法是观察三个指标:资本开支增长是否健康,AI 相关收入是否形成可重复的商业模式,以及非 AI 龙头行业的利润率是否开始改善。第三个指标尤其重要,因为它最接近 AI 对实体企业损益表的最终影响。
高资本开支本身并不意味着泡沫。历史上的电力、铁路、通信和互联网都经历过大规模基础设施投资。真正的问题是投资周期能否持续产生足够高的回报。如果数据中心、电力和计算资源持续扩张,而企业 AI 应用无法同步形成收入或节省成本,资本回报率就会下降,最终压缩自由现金流和估值。
市场也越来越重视 AI 投资的折旧周期、融资结构和资产利用率。AI 基础设施是重资产生意,设备更新速度、GPU 使用率、电力成本和数据中心建设周期都会影响最终回报。S&P Global 对 AI Capex 风险的讨论已经开始关注投资增速、融资复杂度和回报周期之间的错配。
从交易角度看,真正危险的信号并不是某家公司继续提高资本开支,而是资本开支继续高速增长、收入增速却下降、自由现金流承压,同时市场仍然要求估值持续扩张。如果出现这种组合,AI 交易就会从盈利驱动转向估值驱动,波动率也会明显上升。
因此,美股交易框架不应该只是追踪哪家公司宣布了新的 AI 投资计划,而应该追踪投资是否形成订单、订单是否形成收入、收入是否形成利润、利润是否扩大到更多行业。只有最后一步出现,市场才可能获得更强的盈利宽度。
第三层是盈利扩散。真正健康的 AI 周期不应该永远停留在少数基础设施公司,而应该逐渐出现更多行业的利润改善。企业软件、金融、医疗、工业和消费公司如果能够把 AI 转化成更高的生产率,就意味着 AI 正在从供给侧主题变成需求侧生产率周期。
第一层是资本开支本身。大型科技公司是否仍然愿意增加数据中心、网络和计算投资,决定 AI 供应链的订单景气度。第二层是资本开支的边际效率,即新增投入能否继续带来足够高的收入和利润。如果投资额持续增加但收入增速明显下降,市场就会开始重新评估资本回报。
相反,如果 AI 开始帮助更多企业提高收入和利润率,那么市场即使不继续大幅提高估值,也可以通过 EPS 增长消化较高价格。这个过程就是所谓的盈利接力:第一阶段由 AI 基础设施推动,第二阶段由产业链推动,第三阶段由企业生产率推动。对长期交易者而言,第三阶段的确认往往比第一阶段的新闻更有价值。
美股市场可以容忍高集中度,也可以容忍高资本开支,但很难长期容忍盈利来源没有扩展。如果 AI 龙头的收入增长继续很强,市场可以给予较高估值;但如果其他行业始终无法获得利润改善,指数就会越来越依赖少数公司的预期。一旦龙头增速放缓,估值压力就容易被放大。
市场情绪可以在几周内快速扩散,但盈利宽度通常需要更长时间才能确认。对于 AI 主题尤其如此:股价可以提前交易未来几年,但利润必须经过订单、收入、成本和现金流逐步验证。因此,真正值得长期跟踪的不是市场是否又出现一个 AI 热点,而是越来越多企业是否开始把 AI 转化为可重复的 EPS 增长。
如果第四类企业的 EPS 增长开始持续改善,说明 AI 正在完成从资本开支周期到生产率周期的转换。此时即使部分 AI 龙头估值不再扩张,美股仍然可能通过盈利增长维持较强的基本面。这种环境下,交易策略也会自然从追逐单一主题转向寻找盈利增长的下一棒。
这也是为什么未来的美股交易越来越需要一张“盈利地图”。投资者可以把企业分成四类:直接出售 AI 基础设施的公司、为 AI 提供关键供应链的公司、帮助企业部署 AI 的公司,以及使用 AI 提升自身利润率的公司。前三类通常更早被市场发现,第四类则可能更晚出现,但它决定 AI 能否真正扩散到整个经济。
因此,判断 AI 周期并不需要预测所有变量,只需要按照顺序验证:资本开支是否持续、供应链收入是否兑现、企业采用是否扩大、利润率是否改善、盈利是否向更多行业扩散。越往后,信号越慢,但含金量越高。短期行情可以由情绪驱动,长期趋势最终仍然需要盈利接棒。
从长期视角看,AI 对美股最大的意义不是把某一批科技公司的估值推得更高,而是可能改变美国企业的生产函数。如果企业能够用更少的人力、更快的研发、更高效的销售和更低的运营成本完成同样的工作,那么 AI 就会进入利润率、现金流和资本回报率。只有当这些指标持续改善,AI 才真正成为宏观意义上的生产率周期。
这也是这篇文章最终希望建立的交易习惯:不要只问指数今天涨了多少,而要问未来几个季度利润由谁贡献。只要盈利来源持续扩散,即使指数内部出现轮动,长期趋势仍可能保持韧性;反之,如果指数上涨越来越依赖少数公司和不断提高的估值,风险就会逐渐从表面平静转向内部集中。
因此,长期交易者更应该把“盈利宽度”当作一个持续观察指标:一方面看有多少行业保持盈利增长,另一方面看盈利增长是否来自真实收入、利润率改善和生产率提升,而不是单纯的成本削减或一次性项目。AI 周期如果最终能够形成这种更广泛的盈利扩散,那么即使市场内部不断轮动,美股的长期基本面仍可能保持较强韧性。
对于 AI 主题而言,这种盈利宽度尤其重要。基础设施公司的资本开支和订单数据通常最先出现,也最容易被市场交易;但真正决定周期持续时间的,是企业软件、金融、医疗、工业、消费等更多行业能否把 AI 转化为收入增长或成本下降。当越来越多公司的 EPS 开始受益,市场就拥有了新的盈利支撑,指数也不必完全依赖少数科技龙头继续提高估值。
这也是这篇文章最终希望建立的交易习惯:不要只问指数今天涨了多少,而要问未来几个季度利润由谁贡献。只要盈利来源持续扩散,即使指数内部出现轮动,长期趋势仍可能保持韧性;反之,如果指数上涨越来越依赖少数公司和不断提高的估值,风险就会逐渐从表面平静转向内部集中。
如果盈利增长逐渐从少数龙头扩散到其余公司,指数的盈利来源会更加多元,市场对单一科技公司的依赖也会降低。
更值得警惕的是资本开支继续高增长,但 AI 收入、生产率和利润率没有同步改善。这个组合比单纯的高估值更值得关注。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





